1 HDFS概述
1.1 HDFS 产出背景及定义
- HDFS 产生背景
随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件 ，这就是分布式文件管理系统。HDFS 只是分布式文件管理系统中的一种。 - HDFS 定义
HDFS（Hadoop distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的 ，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。
HDFS 的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。
1.2 HDFS 优缺点
优点：
1.3 HDFS 组成架构
- NameNode（nn）：就是Master，它是一个主管、管理者，不存储数据。
- 管理HDFS的名称空间
- 配置副本策略
- 管理数据块（Block）映射信息
- 处理客户端读写请求
- Datanode：就是Slave。NameNode下达命令，Datanode执行实际的操作。
- 存储实际的数据块
- 执行数据块的读/写操作
- Client：就是客户端。
- Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。如果你搭建一个Hadoop HA则不需要Secondary NameNode。
- 辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode
- 在紧急情况下，可辅助恢复NameNode
1.4 HDFS 文件块大小（面试重点）
- HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；
- 如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。
总结：HDFS块的大小设置主要取决于磁盘传输速率。
2 HDFS 的 Shell 操作（开发重点）
2.1 基本语法
hadoop fs 具体命令 OR hadop dfs 具体命令
说明：fs 使用面比较广，它除了可以操作 HDFS 还可以操作本地文件、HFTP文件，而 dfs 则是针对HDFS文件系统的操作，它们在HDFS的命令是完全相同的。
2.2 命令大全
```powershell
[zjw@hadoop104 hadoop-3.1.3]$ bin/hadoop fs
Usage: hadoop fs [generic options]
[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-checksum <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] [-l] [-d] [-t <thread count>] <localsrc> ... <dst>]
[-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] [-e] <path> ...]
[-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>]
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] [-v] [-x] <path> ...]
[-expunge]
[-find <path> ... <expression> ...]
[-get [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getfattr [-R] {-n name | -d} [-e en] <path>]
[-getmerge [-nl] [-skip-empty-file] <src> <localdst>]
[-head <file>]
[-help [cmd ...]]
[-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [-e] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-movetoLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] [-l] [-d] <localsrc> ... <dst>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]
[-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
[-setfattr {-n name [-v value] | -x name} <path>]
[-setrep [-R] [-w] <rep> <path> ...]
[-stat [format] <path> ...]
[-tail [-f] [-s <sleep interval>] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touch [-a] [-m] [-t TIMESTAMP ] [-c] <path> ...]
[-touchz <path> ...]
[-truncate [-w] <length> <path> ...]
[-usage [cmd ...]]
如果你想查看具体某个命令的使用说明，可以使用 hadoop fs -help 具体命令
2.3 常用命令实操
2.3.1 准备工作
- 启动 Hadoop 集群（方便后续的测试）：
myhadoop.sh start - 创建/sanguo 文件夹：
hadoop fs -mkdir /sanguo
2.3.2 上传
- -moveFromLocal：从本地剪切粘贴到 HDFS
#先创建一个文本
[zjw@hadoop104 hadoop-3.1.3]$ vim shuguo.txt
#然后再里面输入以下内容
shuguo
#将创建的文本上传到我们准备工作创建的 sanguo文件夹下
hadoop fs -moveFromLocal ./shuguo.txt /sanguo
查看结果：
虚拟机中的shuguo.txt被删除
而HDFS文件系统上出现：
#先创建一个文本
[zjw@hadoop104 hadoop-3.1.3]$ vim weiguo.txt
#然后再里面输入以下内容
weiguo
#将创建的文本上传到我们准备工作创建的 sanguo文件夹下
hadoop fs -copyFromLocal ./weiguo.txt /sanguo
- -put：等同于 copyFromLocal，生产环境更习惯用 put
#先创建一个文本
[zjw@hadoop104 hadoop-3.1.3]$ vim wuguo.txt
#然后再里面输入以下内容
wuguo
#将创建的文本上传到我们准备工作创建的 sanguo文件夹下
hadoop fs -put ./wuguo.txt /sanguo
[zjw@hadoop104 hadoop-3.1.3]$ vim liubei.txt
输入：
liubei
[zjw@hadoop104 hadoop-3.1.3]$ hadoop fs -appendToFile liubei.txt /sanguo/shuguo.txt
2.3.3 下载
- -copyToLocal：从 HDFS 拷贝到本地
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /sanguo/shuguo.txt ./
- -get：等同于 copyToLocal，生产环境更习惯用 get
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -get /sanguo/shuguo.txt ./shuguo2.txt
2.3.4 HDFS 直接操作
-
-ls: 显示目录信息:
hadoop fs -ls /sanguo
-
-cat：显示文件内容:
hadoop fs -cat /sanguo/shuguo.txt
-
-chgrp、-chmod、-chown：Linux 文件系统中的用法一样，修改文件所属权限:
hadoop fs -chown zjw:zjw /sanguo/shuguo.txt -
-mkdir：创建路径:
hadoop fs -mkdir /jinguo
hadoop fs -cp /sanguo/shuguo.txt /jinguo
且此时 /sanguo下无shuguo.txt这个文件
-
-mv：在 HDFS 目录中移动文件:
hadoop fs -mv /sanguo/wuguo.txt /jinguo -
-tail：显示一个文件的末尾 1kb 的数据:
此时文件很小，所有全部展示出来了
-
21 表示文件大小，63=21*3（副本数） -
-setrep：设置 HDFS 中文件的副本数量:
hadoop fs -setrep 10 /jinguo/shuguo.txt
这里设置的副本数只是记录在 NameNode 的元数据中，是否真的会有这么多副本，还得看 Datanode 的数量。因为目前只有 3 台设备，最多也就 3 个副本，只有节点数的增加到 10台时，副本数才能达到 10。
4 HDFS 的读写流程（面试重点）
4.1 HDFS 读数据流程
HDFS的真实数据分散存储再Datanode上，但是读取数据时需要先经过NameNode。读取的基本流程为：首先，客户端连接到NameNode询问某个文件的元数据信息，NameNode返回给客户端一个包含该文件各个块位置的信息（存储再哪个Datanode）的列表，然后客户端直接连接对应的Datanode来并行读取块数据；最后，当客户得到所有块后，再按照顺序进行组装，得到完整的文件。为提高物理传输的速度，NameNode在返回块的位置时，会优先选择离客户端更近的Datanode。
HDFS数据读取的过程：
(1)客户端生成个FileSystem实例(distributedFileSystem对象)，并使用此实例的open（）方法打开HDFS上的一个文件。
(2) distributedFileSystem 通过RPC调用向NameNode发出请求，得到文件的位置信息，即数据块编号和所在Datanode地址。对于每一个数据块，名称节点返回保存数据块的数据节点的地址，通常按照Datanode地址与客户端的距离从近到远排序。
(3) FileSystem 实例获得地址信息后，生成一个FSDataInputStream对象实例返回给客户端。此实例封装了-一个DFSInputStream对象，负责存储数据块信息和Datanode地址信息，并负责后续的文件内容读取工作。
(4)客户端向FSDataInputStream发出读取数据的read（）调用。
(5) FSDataInputream 收到read（）调用请求后，其封装的DFSInputStream选择与第一个数据块最近的Datanode, 并读取相应的数据信息返回给客户端。数据块读取完成后，DFSInputStream负责关闭到相应Datanode的链接。
(6) DFSInputStream 依次选择后续数据块的最近Datanode节点，并读取数据返且会客户端，直到最后一个数据块读取完毕。DFSInputStream从Datanode读取数据时，可能会碰上某个Datanode失效的情况，此时会自动选择下一个包含此数据块的最近的Datanode去读取。
(7)客户端读取完所有数据块，然后调用FSDataInputStream的close（）方法关闭文件:
从图可以看出，HDFS数据读取分散在了不同的Datanode节点上，基本上不存在单点问题，水平扩展性强。对于NameNode节点来说，只需要传输元数据(块地址)信息，数据I/O压力较小。
4.2 HDFS 写入数据流程
HDFS的设计遵循“一次写入，多次读取”的原则，所有数据只能添加不能更新。数据会被划分为等尺寸的块写入不同的Datanode 中，每个块通常保存指定数量的副本(默认3个)。HDFS数据写入的基本过程如图3-6所示，基本过程为:客户端向NameNode发送文件写请求，NameNode给客户分配写权限，并随机分配块的写入地址一 Datanode的IP，通时兼顾副本数量和块Rack 自适应算法。例如副本因子是3,则每个块会分配到三个不同的Datanode. 为了提高传输效率，客户端只会向其中一个Datanode复制一个副本，另外两个副本则由Datanode传输到相邻Datanode.
